CN112116176A - 基于气象因素的地区绝缘子群污闪风险评估方法和系统 - Google Patents

Abstract

本发明公开了一种基于气象因素的地区绝缘子群污闪风险评估方法，包括以下步骤：根据气象数据的预测值和基于BP神经网络的预测模型，获取地区绝缘子群的盐密预测值；基于非参数核密度估计法获取盐密预测值的概率密度函数；根据盐密预测值的概率密度函数计算地区绝缘子群的污闪风险系数。本发明根据气象数据的预测值和基于BP神经网络的预测模型，获取地区绝缘子群的盐密预测值，其中，气象数据的预测值是通过气象数据预测概率模型获得，由于综合考虑了气象因素的预测误差，能够进一步提高绝缘子盐密值的预测精度；之后，通过非参数核密度估计法准确估计盐密预测值的概率密度函数，进而能够更加科学客观地估计出地区绝缘子群的污闪风险。

Description

基于气象因素的地区绝缘子群污闪风险评估方法和系统

技术领域

本发明涉及电网检测技术领域，尤其涉及一种基于气象因素的地区绝缘子群污闪风险评估方法和系统。

背景技术

绝缘子表面的等值附盐密度(盐密)是确定线路污秽风险和污区的重要依据。通过准确预测绝缘子盐密并划定相应污区，根据污区图以及对应的绝缘子污闪风险系数对绝缘子展开定期清扫能够有效预防绝缘子污闪事故的发生。

在实际生产过程中，即使处于同一气象条件下的绝缘子，由于局部微气象条件、绝缘子安装方位等因素对盐密产生的影响，其盐密也可能不同，故单个绝缘子的盐密具有一定的偶然性。此外，绝缘子污闪的发生具有一定的概率随机性，对单个绝缘子做污秽预测意义不大。然而，地区绝缘子群受到相同或者相近的气象因素的影响，因此研究地区绝缘子群的盐密值及污闪风险评估则更加科学有效。

周龙武等提出了基于概率统计与神经网络相结合的绝缘子盐密预测，其通过神经网络建立了基于气象数据和地区绝缘子群盐密值的预测模型，并假定地区绝缘子盐密的概率密度函数(高斯分布)来粗略估计地区绝缘子群的污闪风险系数。

但是上述所提预测模型有以下问题：1)未来气象预测数据存在较大的不确定性，仅用确定性的预测值输入预测模型，将导致盐密的预测值存在较大误差；2)假定了盐密预测值服从高斯分布。众所周知，地区绝缘子的盐密值受多种因素影响，其不一定服从高斯分布，而可能服从任意分布。若人为假定盐密预测值服从高斯分布，将可能使绝缘子污闪风险评估值不准。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于气象因素的地区绝缘子群污闪风险评估方法和系统。

本发明解决其技术问题所采用的技术方案是：构造一种基于气象因素的地区绝缘子群污闪风险评估方法，包括以下步骤：

步骤S1、根据气象数据的预测值和基于BP神经网络的预测模型，获取所述地区绝缘子群的盐密预测值；

步骤S2、基于非参数核密度估计法获取所述盐密预测值的概率密度函数；

步骤S3、根据所述盐密预测值的概率密度函数计算所述地区绝缘子群的污闪风险系数。

在本发明提供的基于气象因素的地区绝缘子群污闪风险评估方法中，所述气象数据包括月均降雨量、酸雨PH值和空气质量指标。

在本发明提供的基于气象因素的地区绝缘子群污闪风险评估方法中，在步骤S1之前，还包括：

建立所述气象数据的预测概率模型；

根据蒙特卡洛模拟法从所述预测概率模型中抽取所述气象数据的所述预测值。

在本发明提供的基于气象因素的地区绝缘子群污闪风险评估方法中，所述气象数据的所述预测概率模型为：

rⁱⁿ＝r^prediction+e^r

qⁱⁿ＝q^prediction+e^q

aⁱⁿ＝a^prediction+e^a

其中，rⁱⁿ、qⁱⁿ和aⁱⁿ分别表示月均降雨量的预测值、酸雨PH值的预测值和空气质量指标的预测值，r^prediction、q^prediction和a^prediction分别表示月均降雨量的查询值、酸雨PH值的查询值以及空气质量指标的查询值；e^r、e^q和e^a表示对应的误差。

在本发明提供的基于气象因素的地区绝缘子群污闪风险评估方法中，在步骤S1之前，还包括：

根据所述气象数据的历史数据和对应的盐密度实测数据训练神经网络，得到所述基于BP神经网络的预测模型。

在本发明提供的基于气象因素的地区绝缘子群污闪风险评估方法中，所述盐密预测值的概率密度函数为：

其中，K()为核函数，h为平滑参数，x为所述盐密预测值，n为输入的样本个数。

在本发明提供的基于气象因素的地区绝缘子群污闪风险评估方法中，所述地区绝缘子群的污闪风险系数为所述地区绝缘子群的所述盐密预测值超过盐密警戒值的概率，通过以下公式计算：

其中，P为所述地区绝缘子群的所述盐密预测值超过警戒值的概率，B为所述盐密警戒值。

相应地，本发明还提供一种基于气象因素的地区绝缘子群污闪风险评估系统，包括预测模块和风险评估模块，其中，所述预测模块用于根据气象数据的预测值和基于BP神经网络的预测模型，获取所述地区绝缘子群的盐密预测值；所述风险评估模块用于基于非参数核密度估计法获取所述盐密预测值的概率密度函数，根据所述盐密预测值的概率密度函数计算所述地区绝缘子群的污闪风险系数。

在本发明提供的基于气象因素的地区绝缘子群污闪风险评估系统中，所述气象数据包括月均降雨量、酸雨PH值和空气质量指标；所述风险评估系统还包括输入模块，所述输入模块用于建立所述气象数据的预测概率模型，根据蒙特卡洛模拟法从所述预测概率模型中抽取所述气象数据的所述预测值，其中，所述气象数据的所述预测概率模型为：

rⁱⁿ＝r^prediction+e^r

qⁱⁿ＝q^prediction+e^q

aⁱⁿ＝a^prediction+e^a

其中，rⁱⁿ、qⁱⁿ和aⁱⁿ分别表示月均降雨量的预测值、酸雨PH值的预测值和空气质量指标的预测值，r^prediction、q^prediction和a^prediction分别表示月均降雨量的查询值、酸雨PH值的查询值以及空气质量指标的查询值；e^r、e^q和e^a表示对应的误差。

在本发明提供的基于气象因素的地区绝缘子群污闪风险评估系统中，所述预测模块还用于根据所述气象数据的历史数据和对应的盐密度实测数据训练神经网络，得到所述基于BP神经网络的预测模型；

所述盐密预测值的概率密度函数为：

其中，K()为核函数，h为平滑参数，x为所述盐密预测值，n为输入的样本个数；

所述地区绝缘子群的污闪风险系数为所述地区绝缘子群的所述盐密预测值超过盐密警戒值的概率，通过以下公式计算：

其中，P为所述地区绝缘子群的所述盐密预测值超过警戒值的概率，B为所述盐密警戒值。

本发明的基于气象因素的地区绝缘子群污闪风险评估方法，具有以下有益效果：本发明根据气象数据的预测值和基于BP神经网络的预测模型，获取地区绝缘子群的盐密预测值，其中，气象数据的预测值是通过气象数据预测概率模型获得，由于综合考虑了气象因素的预测误差，能够进一步提高绝缘子盐密值的预测精度；之后，通过非参数核密度估计法准确估计盐密预测值的概率密度函数，进而能够更加科学客观地估计出地区绝缘子群的污闪风险。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图：

图1是本发明一实施例提供的基于气象因素的地区绝缘子群污闪风险评估方法的流程图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

实施例一

参考图1，本实施例公开了一种基于气象因素的地区绝缘子群污闪风险评估方法，方法主要包括：

步骤S1、根据气象数据的预测值和基于BP神经网络的预测模型，获取所述地区绝缘子群的盐密预测值；

步骤S2、基于非参数核密度估计法获取所述盐密预测值的概率密度函数；

步骤S3、根据所述盐密预测值的概率密度函数计算所述地区绝缘子群的污闪风险系数。

具体地，在本发明一实施例中，所述气象数据包括月均降雨量、酸雨PH值和空气质量指标。在步骤S1中，通过气象数据的预测值和基于BP神经网络的预测模型对盐密进行预测，因此，在步骤S1之前还包括获取气象数据预测值和训练预测模型的步骤。

进一步地，在步骤S1之前，包括：

建立所述气象数据的预测概率模型；

根据蒙特卡洛模拟法从所述预测概率模型中抽取所述气象数据的所述预测值。

进一步地，所述气象数据的所述预测概率模型为：

rⁱⁿ＝r^prediction+e^r

qⁱⁿ＝q^prediction+e^q

aⁱⁿ＝a^prediction+e^a

其中，rⁱⁿ、qⁱⁿ和aⁱⁿ分别表示月均降雨量的预测值、酸雨PH值的预测值和空气质量指标的预测值，r^prediction、q^prediction和a^prediction分别表示月均降雨量的查询值、酸雨PH值的查询值以及空气质量指标的查询值；e^r、e^q和e^a表示对应的误差。本发明假定预测误差均服从标准高斯分布，其均值0、标准差分别为r^prediction、q^prediction和a^prediction的5％。注意，r^prediction、q^prediction和a^prediction可以通过查询国家气象中心网站获得。建立好气象因素预测值的概率模型后，可以通过MCS抽样法获取海量输入变量的样本。MCS抽样方法是一种常见的抽样方法，其可以通过Matlab中nomrnd函数实现。通过考虑气象因素的预测误差，能够进一步提高绝缘子盐密值的预测精度。

进一步地，在步骤S1之前，还包括：

根据所述气象数据的历史数据和对应的盐密度实测数据训练神经网络，得到所述基于BP神经网络的预测模型。

BP神经网络是一种基于误差反向传播的多层前向网络，只需给定相应的输入、输出量以及一定的训练模式，即可得到输入与输出之间的映射关系。本申请中采用三层结构的BP神经网络，首、尾两层分别为输入、输出层，中间为隐含层。用于训练神经网络的数据有：月均降雨量、酸雨的PH值、空气质量指标的历史数据，以及对应于上述历史数据的盐密实测值。此外还需要输入绝缘子的型号以及对应的电压等级。通过大量历史数据的训练，神经网络将逐渐收敛，其性能将趋于稳定。注意，本发明中所用的BP神经网络是一种常见的神经网络预测模型，利用Matlab的神经网络工具箱，可实现神经网络的建立和训练。神经网络收敛后可用于预测。

具体地，在本发明一实施例中，将基于MCS法获取的海量样本输入预测模型后，可以得到海量的盐密预测数据。之后，在步骤S2中，基于非参数核密度估计法可以得到盐密预测值的概率密度函数，所述盐密预测值的概率密度函数为：

其中，K()为核函数，h为平滑参数，x为所述盐密预测值，n为输入的样本个数。核函数有很多种实现方式，如uniform、triangular、biweight、triweight、Epanechnikov和normal等，本发明并不以此为限。h为经验参数，这里选择0.55。

具体地，在本发明一实施例中，根据地区绝缘子群的盐密预测值超过警戒值的概率，可以确定地区绝缘子的污闪水平。因此，通过所述地区绝缘子群的所述盐密预测值超过盐密警戒值的概率来表征所述地区绝缘子群的污闪风险系数，通过以下公式计算：

其中，P为所述地区绝缘子群的所述盐密预测值超过警戒值的概率，B为所述盐密警戒值。通过非参数核密度估计法准确估计盐密预测值的概率密度函数，进而能够更加科学客观地估计出地区绝缘子群的污闪风险。

本发明的基于气象因素的地区绝缘子群污闪风险评估方法，通过气象数据预测概率模型，综合考虑气象因素的预测误差，能够进一步提高绝缘子盐密值的预测精度；通过非参数核密度估计法准确估计盐密预测值的概率密度函数，进而能够更加科学客观地估计出地区绝缘子群的污闪风险。

利用本发明的方法对江西几个地区的盐密值进行预测，预测结果如下。表1为本发明的方法与现有的参考文件1(周龙武,龚泽,上官帖,刘明军,童军心,罗毅,邵周策,邓凯.基于概率统计与神经网络相结合的绝缘子盐密预测[J].水电能源科学,2015,33(12):172-175+193)的方法进行预测的结果对比。表2为各地区超过警戒值的概率，假定绝缘子盐密警戒值为0.07mg/cm²。

表1本文方法与参考文献[1]方法预测精度对比

从表1可以看出，通过本发明的方法获取的盐密的预测误差要低于参考文献[1]所提方法的预测误差。例如，南昌及赣州地区两种方法预测值的相对误差分别为2.4％，3.7％(本发明方法)和4.6％，3.87％(参考文献[1]所提方法)。其原因是，本发明所提方法能够考虑气象网站中天气因素预测值的误差，并通过海量数据输入预测模型，从而降低盐密预测值的误差，提高预测精度。

表2各个地区超过警戒值的概率

地区	超过警戒值的概率
		南昌	19.98％
萍乡	17.89％
		赣州	23.15％
宜春	9.03％
		上饶	13.12％
鹰潭	14.50％
		吉安	17.65％

实施例二

基于同一发明构思，本实施例公开了一种基于气象因素的地区绝缘子群污闪风险评估系统，包括预测模块和风险评估模块，其中，所述预测模块用于根据气象数据的预测值和基于BP神经网络的预测模型，获取所述地区绝缘子群的盐密预测值；所述风险评估模块用于基于非参数核密度估计法获取所述盐密预测值的概率密度函数，根据所述盐密预测值的概率密度函数计算所述地区绝缘子群的污闪风险系数，根据所述污闪风险系数，确定所述地区绝缘子群的污闪等级。

具体地，所述气象数据包括月均降雨量、酸雨PH值和空气质量指标；所述风险评估系统还包括输入模块，所述输入模块用于建立所述气象数据的预测概率模型，根据蒙特卡洛模拟法从所述预测概率模型中抽取所述气象数据的所述预测值，其中，所述气象数据的所述预测概率模型为：

rⁱⁿ＝r^prediction+e^r

qⁱⁿ＝q^prediction+e^q

aⁱⁿ＝a^prediction+e^a

其中，rⁱⁿ、qⁱⁿ和aⁱⁿ分别表示月均降雨量的预测值、酸雨PH值的预测值和空气质量指标的预测值，r^prediction、q^prediction和a^prediction分别表示月均降雨量的查询值、酸雨PH值的查询值以及空气质量指标的查询值；e^r、e^q和e^a表示对应的误差。

具体地，所述预测模块还用于根据所述气象数据的历史数据和对应的盐密度实测数据训练神经网络，得到所述基于BP神经网络的预测模型；

所述盐密预测值的概率密度函数为：

其中，K()为核函数，h为平滑参数，x为所述盐密预测值，n为输入的样本个数；

所述地区绝缘子群的污闪风险系数为所述地区绝缘子群的所述盐密预测值超过盐密警戒值的概率，通过以下公式计算：

其中，P为所述地区绝缘子群的所述盐密预测值超过警戒值的概率，B为所述盐密警戒值。

其他详细内容可参考实施例一，此处不再赘述。

实施例三

基于同一发明构思，本实施例公开了一种基于气象因素的地区绝缘子群污闪风险评估系统，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器可运行所述计算机程序以执行实施例一所述的方法。

综上所述，本发明的基于气象因素的地区绝缘子群污闪风险评估方法以及系统，具有以下有益效果：本发明根据气象数据的预测值和基于BP神经网络的预测模型，获取地区绝缘子群的盐密预测值，其中，气象数据的预测值是通过气象数据预测概率模型获得，由于综合考虑了气象因素的预测误差，能够进一步提高绝缘子盐密值的预测精度；之后，通过非参数核密度估计法准确估计盐密预测值的概率密度函数，进而能够更加科学客观地估计出地区绝缘子群的污闪风险。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory，ROM)或随机存储记忆体(RandomABBessMemory，RAM)等。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

上述描述涉及各种单元，需要指出的是，上文对各种单元的描述中，分割成这些单元，是为了说明清楚。然而，在实际实施中，各种单元的界限可以是模糊的。例如，本文中的任意或所有功能性单元可以共享各种硬件和/或软件元件。又例如，本文中的任何和/或所有功能单元可以由共有的处理器执行软件指令来全部或部分实施。相应地，除非明确要求，本发明的范围不受各种硬件和/或软件元件间强制性界限的限制。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种基于气象因素的地区绝缘子群污闪风险评估方法，其特征在于，包括以下步骤：

步骤S1、根据气象数据的预测值和基于BP神经网络的预测模型，获取所述地区绝缘子群的盐密预测值；

步骤S2、基于非参数核密度估计法获取所述盐密预测值的概率密度函数；

步骤S3、根据所述盐密预测值的概率密度函数计算所述地区绝缘子群的污闪风险系数。

2.根据权利要求1所述的基于气象因素的地区绝缘子群污闪风险评估方法，其特征在于，所述气象数据包括月均降雨量、酸雨PH值和空气质量指标。

3.根据权利要求2所述的基于气象因素的地区绝缘子群污闪风险评估方法，其特征在于，在步骤S1之前，还包括：

建立所述气象数据的预测概率模型；

根据蒙特卡洛模拟法从所述预测概率模型中抽取所述气象数据的所述预测值。

4.根据权利要求3所述的基于气象因素的地区绝缘子群污闪风险评估方法，其特征在于，所述气象数据的所述预测概率模型为：

rⁱⁿ＝r^prediction+e^r

qⁱⁿ＝q^prediction+e^q

aⁱⁿ＝a^prediction+e^a

其中，rⁱⁿ、qⁱⁿ和aⁱⁿ分别表示月均降雨量的预测值、酸雨PH值的预测值和空气质量指标的预测值，r^predicton、q^prediction和a^prediction分别表示月均降雨量的查询值、酸雨PH值的查询值以及空气质量指标的查询值；e^r、e^q和e^a表示对应的误差。

5.根据权利要求2所述的基于气象因素的地区绝缘子群污闪风险评估方法，其特征在于，在步骤S1之前，还包括：

根据所述气象数据的历史数据和对应的盐密度实测数据训练神经网络，得到所述基于BP神经网络的预测模型。

6.根据权利要求1所述的基于气象因素的地区绝缘子群污闪风险评估方法，其特征在于，所述盐密预测值的概率密度函数为：

其中，K()为核函数，h为平滑参数，x为所述盐密预测值，n为输入的样本个数。

7.根据权利要求6所述的基于气象因素的地区绝缘子群污闪风险评估方法，其特征在于，所述地区绝缘子群的污闪风险系数为所述地区绝缘子群的所述盐密预测值超过盐密警戒值的概率，通过以下公式计算：

其中，P为所述地区绝缘子群的所述盐密预测值超过警戒值的概率，B为所述盐密警戒值。

8.一种基于气象因素的地区绝缘子群污闪风险评估系统，其特征在于，包括预测模块和风险评估模块，其中，所述预测模块用于根据气象数据的预测值和基于BP神经网络的预测模型，获取所述地区绝缘子群的盐密预测值；所述风险评估模块用于基于非参数核密度估计法获取所述盐密预测值的概率密度函数，根据所述盐密预测值的概率密度函数计算所述地区绝缘子群的污闪风险系数，根据所述污闪风险系数，确定所述地区绝缘子群的污闪等级。

9.根据权利要求8所述的基于气象因素的地区绝缘子群污闪风险评估系统，其特征在于，所述气象数据包括月均降雨量、酸雨PH值和空气质量指标；所述风险评估系统还包括输入模块，所述输入模块用于建立所述气象数据的预测概率模型，根据蒙特卡洛模拟法从所述预测概率模型中抽取所述气象数据的所述预测值，其中，所述气象数据的所述预测概率模型为：

rⁱⁿ＝r^prediction+e^r

qⁱⁿ＝q^prediction+e^q

aⁱⁿ＝a^prediction+e^a

其中，rⁱⁿ、qⁱⁿ和aⁱⁿ分别表示月均降雨量的预测值、酸雨PH值的预测值和空气质量指标的预测值，r^prediction、q^prediction和a^prediction分别表示月均降雨量的查询值、酸雨PH值的查询值以及空气质量指标的查询值；e^r、e^q和e^a表示对应的误差。

10.根据权利要求9所述的基于气象因素的地区绝缘子群污闪风险评估系统，其特征在于，所述预测模块还用于根据所述气象数据的历史数据和对应的盐密度实测数据训练神经网络，得到所述基于BP神经网络的预测模型；

所述盐密预测值的概率密度函数为：

其中，K()为核函数，h为平滑参数，x为所述盐密预测值，n为输入的样本个数；

所述地区绝缘子群的污闪风险系数为所述地区绝缘子群的所述盐密预测值超过盐密警戒值的概率，通过以下公式计算：

其中，P为所述地区绝缘子群的所述盐密预测值超过警戒值的概率，B为所述盐密警戒值。

Images